1 INTRODUCCIÓN

Actualmente, se pueden emplear diferentes técnicas de Inteligencia Artificial para dar solución
a problemas cuya solución no se puede calcular en un tiempo determinístico aún con el
hardware  y software con que contamos actualmente. Los tópicos de Problemas de
Optimización Combinatoria, tienen como objetivo identificar la mejor solución a partir de
variables cuya combinación es exponencial, dando lugar a la estimación de una solución
cercana a la mejor, que es considerada solución óptima, porque hace uso de los recursos de
manera óptima y dando solución a la problemática detectada.

2 KNAPSACK PROBLEM
Uno de los problemas más estudiados es el problema de la Mochila que es conocido como un
Problema de Optimización Combinatoria de tipo NP-hard. Este problema es una
generalización de los problemas donde se tiene un contenedor (mochila) con o sin
restricciones, y donde la solución base es mediante la programación entera dicotómica.

2.1 DEFINICIÓN
El problema de la mochila (KP) puede ser definido con un conjunto de n artículos donde cada
artículo es identificado por nx, con un valor entero px, y un peso wx. El problema consiste en
elegir un subconjunto de n artículos maximizando el beneficio obtenido considerando el peso
total de los artículos seleccionados, sin exceder la capacidad c de la mochila [2].
Dorta et al. [15], definen el Problema de la mochila de la siguiente manera: Se dispone de una
mochila de capacidad C y de un conjunto de N objetos, donde los objetos son indivisibles.
Describen a un objeto k que tiene un beneficio bk y un peso pk, para k = 1,2,…, N. Para los
autores, el problema consiste en averiguar qué objetos se pueden insertar en la mochila sin
exceder la capacidad total de la misma, obteniendo el máximo beneficio.
Velasco [22] se basa en la definición formal del problema: “Se tiene una determinada instancia
de KP con un conjunto de objetos N, que consiste de n objetos j con ganancia pj y peso wj, y
una capacidad c. (Usualmente, los valores toman números enteros positivos). El objetivo es
seleccionar un subconjunto de N tal que la ganancia total de esos objetos seleccionados es
maximizado y el total de los pesos no excede a c”.

2.2 ALGORITMO BASE

El algoritmo base, como se presenta en la descripción, está orientado hacia un conjunto finito
de artículos que tienen un peso específico y que deberán guardados en un contenedor
(mochila) con una capacidad limitada, teniendo como función objetivo, el minimizar el espacio
utilizado.
Las formulas 1 – 3 presentan el algoritmo básico del problema de la mochila (KP) [3]:
 

 
Where:
xj -> Variables de decisión
wj -> Peso w del item j
c -> Capacidad total del contenedor (mochila)
n -> número de items
La fórmula 1 hace referencia a maximizar los resultados del proyecto a partir de la integración
de múltiples variables que pertenecen al proyecto actual identificado por el subíndice  j. La
fórmula 2 indica que es necesario estimar el peso total de los artículos que serán guardados
en un contenedor cuya capacidad es determinada por la variable c. La fórmula 3 indica que las
variables de decisión pertenecen al proyecto identificado por el valor j, es decir, forman parte
del proyecto (valor 1) o no forman parte de dicho proyecto (valor 0).

2.3 VARIANTES DEL PROBLEMA

La variante donde se tiene un número límite de artículos mj por ítem del tipo j, el problema KP
puede ser presentado de la siguiente manera (fórmulas 1.1, 2.1 y 3.1), siendo una variante de
la representación del problema base:
 
 
Cuando la variante se enfoca a un grupo de artículos ilimitados, el problema se puede
representar de la siguiente manera (fórmulas 1.2, 2.2 y 3.2):
 

 
Para la variante del Problema de la Mochila donde se pueden elegir múltiples ítems de
diferentes tamaños y beneficios, la variable de decisión afecta de manera directa la función
objetivo, definiendo, en las fórmulas 1.3, 2.3 y 3.3, la representación matemática de esta
variante:
 

 
El problema denominado 0-1 Knapsack Problem, se tienen un número k clases, donde se
puede elegir solo un ítem j, donde el número total de ítems seleccionados para ocupar el
contenedor, es presentado con la variable Ni, donde i=1,2, …, k y se tiene como función
objetivo, maximizar el beneficio (fórmulas 1.4, 2.4 y 3.4).
 
 

2.4 APLICACIONES
Como parte de la aplicación del Problema de la mochila como una forma de emular
situaciones reales donde es necesario acomodar artículos de diferentes dimensiones en un
espacio reducido.
Se puede emplear, como ejemplo, el uso de contenedores en las aduanas, donde se requiere
enviar ítems de diferentes pesos, tamaños y valores de beneficio. Por otra parte, en la misma
aduana, es necesario almacenar, de manera temporánea, los contenedores mismos, por lo
que este problema puede ser resuelto con base en la soluciones propuesta para el problema
de la mochila.
En aspectos de criptografía, en el caso de descifrar contraseñas, este problema se puede ver
como un número de contenedores que pueden tener n valores cada uno. En otro sentido,
cuando es necesario traducir un texto encriptado, en el momento de identificar los espacios,
cada palabra puede fungir como un contenedor de ni ítems (caracteres de la palabra), donde
cada caracter i puede tener n posibles artículos.
Como parte de la aplicación del problema de la mochila, y haciendo una revisión de la
literatura actual se pueden resolver problemas relacionados con:

 La selección de proyectos, donde cada proyecto se puede como un contenedor de

diferentes ítems tales como: personas, recursos, etc. [16].
 En la solución de problemáticas donde es necesario detectar patrones de corte [17].
 En situaciones donde se problemas de distribución de carga (física, eléctrica, etc.) [18, 19].
 Cuando se requiere abastecer vehículos de transporte y entrega de productos de
diferentes tamaños que deben ser colocados en múltiples compartimentos de igual o
diferente tamaño [20],
 Asignación de procesadores y datos en sistemas distribuidos [21].

2.5 ALGORITMOS PROPUESTOS PARA DAR SOLUCIÓN A KP

Para la solución del Problema de la Mochila, Fernández y Velázquez [13], proponen la técnica
de programación dinámica, empleando cuatro tipos de visualización: árbol de recursión, grafo
de dependencia, tabla de valores y tabla de decisiones.
Almeida, Giménez y López [14], mencionan que la experimentación es un factor clave cuando se
requiere ajustar una metaheurísticas a un problema; en este caso, proponen, para la solución
del Problema de la mochila, el uso de metaheurísticas parametrizadas, mediante la
combinación de parámetros.
Dorta et al. [15] proponen la ramificación y acotación como un método orientado a la solución de
Problemas de Optimización Combinatoria; como parte de su propuesta, buscan reducir el
número de soluciones factible mediante la exploración sistemática del área de soluciones
(árbol de soluciones), eliminando las soluciones que no son mejores que la solución actual,
eliminando la rama correspondiente y los subnodos y hojas que dependen de ésta.

3 CONCLUSIONES